[发明专利]基于多模型融合的客诉率预测方法、装置和计算机设备

说明书

本申请涉及一种基于多模型融合的客诉率预测方法、装置、计算机设备和存储介质。所述方法包括：获取待预测业务特征；将待预测业务特征分别输入至少两个训练好的不同客诉率预测模型中，得到各客诉率预测模型输出的预测时段的日度客诉率预测值；根据各客诉率预测模型融合时的权重占比值确定对应的预测值权重；根据各预测权重和对应的日度客诉率预测值进行加权计算融合，得到预测时段的目标日度客诉率预测值。采用本方法能够提高客诉率预测准确性。

技术领域

本申请涉及大数据技术领域，特别是涉及一种基于多模型融合的客诉率预测方法、装置和计算机设备。

背景技术

随着人工智能技术的发展，人工智能技术被应用在各个领域，如物流领域。随着物流领域中各中物流业务的发展，存在客户投诉的场景。解决客户投诉和降低客户投诉率是物流领域场景中亟待解决的问题，即通过客诉率预测，根据预测结果结合资源配置、相关指标等干预措施可以降低客诉率。

然而，目前人工智能技术领域的客诉率预测模型大多是先经过离线训练的，将训练好的模型打包应用于实际生产中，无法保证预测结果的及时性；当前应用于线上的客诉率预测模型都比较简单，导致客诉率预测的准确性低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高客诉率预测准确性的基于多模型融合的客诉率预测方法、装置、计算机设备和存储介质。

一种基于多模型融合的客诉率预测方法，方法包括：

获取待预测业务特征；

将待预测业务特征分别输入至少两个训练好的不同客诉率预测模型中，得到各客诉率预测模型输出的预测时段的日度客诉率预测值；

根据各客诉率预测模型融合时的权重占比值和误差权重值确定对应的预测值权重；

根据各预测权重和对应的日度客诉率预测值进行加权计算融合，得到预测时段的目标日度客诉率预测值。

在其中一个实施例中，客诉率预测模型的训练方法，包括：

确定用于训练客诉率预测模型的数据集；

基于数据集，确定各客诉率预测模型的最佳训练窗口长度、最重要业务特征个数和超参数组合；

构建模型训练的训练数据集；

基于最佳训练窗口长度、最重要业务特征个数和超参数组合，通过训练数据集对各客诉率预测模型进行训练，得到训练好的客诉率预测模型。

在其中一个实施例中，确定用于训练客诉率预测模型的数据集，包括：

获取与客诉率预测值相关的业务特征集和对应的客诉率的整合表；

根据各业务特征的历史值和客诉率的历史值，确定业务特征之间第一相关系数值以及各业务特征与客诉率之间的第二相关系数值；

根据各第一相关系数值和各第二相关系数值，从整合表中确定与客诉率相关的目标业务特征，得到更新整合表；以及

根据复制次数对更新整合表进行复制并合并，得到数据集。

在其中一个实施例中，方法还包括：

获取更新整合表中各目标业务特征的重要度；

按照重要度从高到低的顺序对各目标业务特征进行排序，得到对应的重要排序表。

在其中一个实施例中，确定各客诉率预测模型的最佳训练窗口长度，包括：

获取预设训练窗口长度集；

通过时间序列模型预测各目标业务特征在第一时期的预测值，得到第一回测集；第一时期